從0到1再到∞ 得數據者 得自動駕駛天下

冷淡的市場大環境讓車企們的日子並不好過,但好在,接下來會有新的增長極出現。很快,從 2020 年開始,過去積累的自動駕駛技術科研成果及工程進步都將成為現實。自動駕駛汽車即將進入 10-20 年混合模式的時代,而隨著 5G 技術的成熟應,一塊市值巨大的“蛋糕”即將擺在我們面前。

大眾集團 CEO 赫伯特·迪斯表示:未來汽車創新中,軟件將佔到 90%。目前大眾有 2 萬名研發人員,其中 90% 做硬件開發。到 2030 年,研發成本中軟件將佔到一半,也就是軟件工程師將達到 1 萬人左右。

從0到1再到∞ 得數據者 得自動駕駛天下

自動輔助駕駛背後:對數據的分析無處不在

只要擁有足夠多的數據,我們可以變得更聰明”是大數據時代的一個新認識。“大數據”就是一種規模大到在獲取、管理、分析方面大大超出傳統數據庫軟件工具能力範圍的數據集合。它的運用場景相當廣泛。

隨著大數據應用範圍的不斷擴大,大數據所形成的價值正在快速提升。這是一個當之無愧的朝陽行業。主要包括互聯網、軟件及信息技術服務業、高端製造等行業。與你手中正在刷的抖音偏好推薦相類似,自動駕駛技術也離不開龐大數據的支撐。

從0到1再到∞ 得數據者 得自動駕駛天下

因此,在大數據時代,原本複雜的“智能問題”可以簡化為“數據問題”——只要對大數據的進行簡單查詢就可以達到“基於複雜算法的智能計算的效果”。為此,很多學者曾討論過一個重要話題:“大數據時代需要的是更多數據還是更好的模型(moredata or better model)?”。在自動駕駛技術加持下,每輛車承載的數據量將是 TB 級的,玩轉數據者將獨佔鰲頭,實時交通中機器學習的體現是無人駕駛時代一個關鍵節點。這意味著並不是簡單的將路上發揮的某一路況反饋給無人駕駛車輛即可,而是要將歷史數據和當前收集到的整體路網數據結合分析,通過機器學習進行判斷。

以特斯拉為例

特斯拉曾在 2018 年 11 月公佈過一個數據:全球所有的特斯拉車主在自動駕駛 Autopilot 啟動下駕駛的總里程數已經突破 10 億英里(約 16 億公里)。同年,Waymo 僅收集了大約 2400 萬公里。據知名投資公司 Ark 分析師塔莎•基尼稱,當你觀察特斯拉汽車上行駛的所有里程數時(無論自動駕駛系統是否啟動),記錄的總里程數都要超過其他公司。

從0到1再到∞ 得數據者 得自動駕駛天下

特斯拉 FSD 視覺傳感識別畫面

毫無疑問,特斯拉的 16 億公里是一個笑傲江湖的數值。隨著 2019 年 Model 3 全球銷量突破 30 萬輛,這一數值明顯還會有大幅的增長。特斯拉利用數據、人工智能和機器學習構建了一個神經網絡,這是一個由傳感器、數據、通信、CPU、外圍硬件和軟件組成的系統,它們像人類大腦一樣同時處理信息、適應和學習,這才是該公司真正的亮點。

而最近一位來自日本汽車巨頭的工程師在拆解 Model 3 後分析 HW 3.0 時震驚地感嘆道:“我們做不到”。期間的原因在於 HW 3.0 中包含有兩塊由特斯拉自主研發的 AI 芯片,並設計了專門的軟件來做支持,以超強的計算能力為核心,為的就是能夠承接即將到來的更智能、更自動化、更海量的汽車傳感與處理數據。

從0到1再到∞ 得數據者 得自動駕駛天下

眼下,特斯拉在全球有接近 100 萬輛車在路上行駛,它把每輛車、每一個傳感器、每一個“事件”(即人與方向盤、制動踏板等的相互作用)作為數據點。獲取這些數據,對其進行分析,並利用這些數據改進算法,創建新的算法,並將這些改進通過空中升級 OTA 傳送到車輛上。

簡單來說,特斯拉車主開著車上班或旅遊的同時,也在幫助訓練特斯拉的人工智能和機器學習大腦網絡。

對於掌握自動輔助駕駛數據的能力來說,目前來看,在特斯拉之後,差距比較小的是同樣在 ADAS 領域採取自研為主策略的蔚來和小鵬,而其他採取委託集成策略的主機廠們,差距可能達到 5 年之久了。

從0到1再到∞ 得數據者 得自動駕駛天下

小鵬 Xpliot 3.0 視覺傳感識別畫面

做好準備迎接海量數據的“洗禮”

我們知道,自動駕駛汽車在進行工作時會產生大量數據,每輛汽車每秒就會產生 6--8GB 的數據。據統計,僅僅在 2017 年,該領域就創造了大約 250EB 的大數據(1 EB= 1024PB,1PB=1024TB)。而這僅僅還是兩年前的數據,所以,從 21 世紀 20 年代開始,每個主機廠都會有幾十 PB 的數據,這就需要有先進的概念來處理這些數據並從中獲取價值。

從0到1再到∞ 得數據者 得自動駕駛天下

其次,在汽車研發與計算機和數據科學之間搭建一座橋樑。工程製造是汽車廠商的強項,但他們對於數據科學可能並不太熟悉。這些學科的交融,可以幫汽車廠商打開新大門,加快其創新和研發。雖然車企研發部門也有專門的數據工程團隊,但他們經常還是需要藉助數據科學以及人工智能領域專家的力量,以實現最好的研發效果。

第三,高效處理和分析數據。當自動駕駛汽車進行測試時,LiDAR、視覺相機和雷達等部件會生產大量以 ADTF、ROSbag 和 MDF4 等格式呈現的專業化數據。現在已經有可以對這些海量數據以 PB 為單位進行快速訪問的工具了。在過去,通常需要好幾天的時間來提取和分析數據,而現在只需要幾分鐘或幾秒鐘就可以得到結果。

從0到1再到∞ 得數據者 得自動駕駛天下

第四,做一整套測試驗證流程需要多種能力,除了基本的數據採集外,還要對數據採集有經驗,建環境真值,對數據算法要有理解;做測試驗證流程,對傳統汽車行業測試工具鏈要掌握,最後面對海量數據,要有大數據分析能力。

最後,優化自動生成數據。當一個自動駕駛系統作出一個不同於人類駕駛者的決策,肯定需要被記錄下來。同樣,當半自動駕駛汽車發生決策錯誤而被人類駕駛者糾正時,也要加以重視,這樣工程師可以對系統進行優化。如果自動駕駛系統可以持續優化和改進,那麼消費者對於自動駕駛汽車也會更放心。

在未來,支撐特斯拉 3000 億市值的或許會有很多因素,而這些年,他們自動輔助駕駛積累的海量數據以及處理數據的能力必定是其中含金量最高的之一。

編輯總結 /

自動輔助駕駛發展如火如荼,諸多領域即將步入從 0 到 1 的質變過程,當然,如果做成了,接下來便是星辰大海。只有那些掌握了背後大數據的車企,基於自身優勢深入專研這一塊,慢慢形成技術壁壘,建立起護城河,或許就可以在諾大的自動駕駛產業中站穩自己的腳跟。


分享到:


相關文章: